本文提出了一种智能作物管理系统，采用深度强化学习（RL）、模仿学习（IL）和作物模拟技术，通过同时优化氮肥施用和灌溉，解决了对特定种植环境和作物寻找最佳管理实践的挑战。实验结果表明，该管理系统在不同观测情况下的训练策略均取得了更好的效果，并且部分观测策略可以直接在实际情况中使用。

Sep, 2022

利用强化学习技术对模拟的作物育种计划进行优化，以此来改善农业生产力并减少土地使用、温室气体排放和水消耗。使用真实基因组玉米数据对基于强化学习的育种算法与标准育种方法进行对比，研究表明强化学习技术在遗传增益方面具有优势。

Jun, 2024

利用深度强化学习和递归神经网络结合的创新框架，在农业管理中引入智能代理，优化氮肥管理策略，并研究气候变异对农业结果和管理的影响，为适应动态气候情景提供了可行的可调整肥料策略。

Jan, 2024

本研究探讨了人工智能（AI），尤其是强化学习（RL）在农业中的应用，以提高作物产量、精确调整氮肥使用和浇水量、减少硝酸盐径流和温室气体排放为重点，特别关注来自土壤的氧化亚氮（N2O）排放。通过使用部分可观察马尔可夫决策过程（POMDP）和作物模拟器来模拟 AI 智能体与农业环境的互动，应用基于循环神经网络（RNN）的深度 Q 学习和 Q 网络进行智能体的训练，在模拟器中整合了机器学习（ML）模型来预测 N2O 排放。我们通过概率机器学习方法处理了 N2O 排放估算中的不确定性，并通过随机天气模型应对气候变异，提供一系列排放结果以提高预测可靠性和决策能力。通过纳入气候变化因素，提升了智能体的气候适应能力，旨在实现可持续农业实践。研究结果表明，通过惩罚 N2O 排放，在气候变暖和降水减少等气候变化条件下，这些智能体能够平衡作物生产和环境问题。这种策略改善了气候变化下的农业管理，突出了人工智能在可持续农业中的作用。

Feb, 2024

通过使用大规模语言模型，我们提出了一种新的框架，通过从语言模型教师代理接收指导行为，训练一个小规模专用的学生代理。通过将语言模型的先验知识融入到本地学生模型中，该学生代理可以用较少的数据进行训练，并通过环境反馈进一步提升其能力。实验结果表明，我们的方法提高了样本效率，并实现了比基准方法更卓越的性能。

Nov, 2023

通过将强化学习与大型语言模型结合，研究了在开放性文本学习环境中增强代理的泛化能力，提出了三种代理类型：基于强化学习的代理、基于大型语言模型的代理和融合两者的混合代理，以提高代理的性能和泛化能力，并通过 PharmaSimText 提供的基准测试验证了研究成果。结果表明，基于强化学习的代理在任务完成方面表现出色，但在提问诊断问题方面有所欠缺；相反，基于大型语言模型的代理在提问诊断问题方面表现较好，但在完成任务方面表现较差；而混合的大型语言模型辅助强化学习代理能够克服这些限制，凸显了将强化学习和大型语言模型相结合在开放性学习环境中开发高性能代理的潜力。

Apr, 2024

本文提出了一种新颖的框架，利用大型语言模型（LLMs）来自动化课程设计，从而增强了强化学习在移动网络中的应用。

May, 2024

研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

Jul, 2020

大语言模型是否能够忠实地模拟决策智能体的智能能力，本研究通过实证方法首次探讨了大语言模型在通过推理构建决策智能体的心智模型方面的能力，并提供了关于其对强化学习智能体行为的解释性约束方面的新见解。

Jun, 2024

利用大型语言模型（LLMs）为六代（6G）无线通信技术引入一种基于强化学习的新框架，该框架在都市环境中通过训练 RL 代理并结合卷积神经网络（CNNs）利用 LLMs 的优势以及减轻其限制，在优化区域覆盖范围的网络部署中表现出色。

May, 2024